Intelligence is highly heritable1 and a major determinant of human health and well-being2. Recent genome-wide meta-analyses have identified 24 genomic loci linked to variation in intelligence3-7, but much about its genetic underpinnings remains to be discovered. Here, we present a large-scale genetic association study of intelligence (n = 269,867), identifying 205 associated genomic loci (190 new) and 1,016 genes (939 new) via positional mapping, expression quantitative trait locus (eQTL) mapping, chromatin interaction mapping, and gene-based association analysis. We find enrichment of genetic effects in conserved and coding regions and associations with 146 nonsynonymous exonic variants. Associated genes are strongly expressed in the brain, specifically in striatal medium spiny neurons and hippocampal pyramidal neurons. Gene set analyses implicate pathways related to nervous system development and synaptic structure. We confirm previous strong genetic correlations with multiple health-related outcomes, and Mendelian randomization analysis results suggest protective effects of intelligence for Alzheimer's disease and ADHD and bidirectional causation with pleiotropic effects for schizophrenia. These results are a major step forward in understanding the neurobiology of cognitive function as well as genetically related neurological and psychiatric disorders.

Abstract White matter bundle segmentation using diffusion MRI fiber tractography has become the method of choice to identify white matter fiber pathways in vivo in human brains. However, like other analyses of complex data, there is considerable variability in segmentation protocols and techniques. This can result in different reconstructions of the same intended white matter pathways, which directly affects tractography results, quantification, and interpretation. In this study, we aim to evaluate and quantify the variability that arises from different protocols for bundle segmentation. Through an open call to users of fiber tractography, including anatomists, clinicians, and algorithm developers, 42 independent teams were given processed sets of human whole-brain streamlines and asked to segment 14 white matter fascicles on six subjects. In total, we received 57 different bundle segmentation protocols, which enabled detailed volume-based and streamline-based analyses of agreement and disagreement among protocols for each fiber pathway. Results show that even when given the exact same sets of underlying streamlines, the variability across protocols for bundle segmentation is greater than all other sources of variability in the virtual dissection process, including variability within protocols and variability across subjects. In order to foster the use of tractography bundle dissection in routine clinical settings, and as a fundamental analytical tool, future endeavors must aim to resolve and reduce this heterogeneity. Although external validation is needed to verify the anatomical accuracy of bundle dissections, reducing heterogeneity is a step towards reproducible research and may be achieved through the use of standard nomenclature and definitions of white matter bundles and well-chosen constraints and decisions in the dissection process.

Abstract Combining data collected from multiple study sites is becoming common and is advantageous to researchers to increase the generalizability and replicability of scientific discoveries. However, at the same time, unwanted inter-scanner biases are commonly observed across neuroimaging data collected from multiple study sites or scanners, rendering difficulties in integrating such data to obtain reliable findings. While several methods for handling such unwanted variations have been proposed, most of them use univariate approaches that could be too simple to capture all sources of scanner-specific variations. To address these challenges, we propose a novel multivariate harmonization method, called RELIEF ( RE moval of L atent I nter-scanner E ffects through F actorization) for estimating and removing both explicit and latent scanner effects. Our method is the first approach to introduce the simultaneous dimension reduction and factorization of interlinked matrices to a data harmonization context, which provides a new direction in methodological research for correcting inter-scanner biases. Analyzing diffusion tensor imaging (DTI) data from the Social Processes Initiative in Neurobiology of the Schizophrenia (SPINS) study and conducting extensive simulation studies, we show that RELIEF outperforms existing harmonization methods in mitigating inter-scanner biases and retaining biological associations of interest to increase statistical power. RELIEF is publicly available as an R package.

Canonical Correlation Analysis (CCA) and Partial Least Squares Correlation (PLS) detect associations between two data matrices based on computing a linear combination between the two matrices (called latent variables; LVs). These LVs maximize correlation (CCA) and covariance (PLS). These different maximization criteria may render one approach more stable and reproducible than the other when working with brain and behavioural data at the population-level. This study compared the LVs which emerged from CCA and PLS analyses of brain-behaviour relationships from the Adolescent Brain Cognitive Development (ABCD) dataset and examined their stability and reproducibility.Structural T1-weighted imaging and behavioural data were accessed from the baseline Adolescent Brain Cognitive Development dataset (N > 9000, ages = 9-11 years). The brain matrix consisted of cortical thickness estimates in different cortical regions. The behavioural matrix consisted of 11 subscale scores from the parent-reported Child Behavioral Checklist (CBCL) or 7 cognitive performance measures from the NIH Toolbox. CCA and PLS models were separately applied to the brain-CBCL analysis and brain-cognition analysis. A permutation test was used to assess whether identified LVs were statistically significant. A series of resampling statistical methods were used to assess stability and reproducibility of the LVs.When examining the relationship between cortical thickness and CBCL scores, the first LV was found to be significant across both CCA and PLS models (singular value: CCA = .13, PLS = .39, p < .001). LV1 from the CCA model found that covariation of CBCL scores was linked to covariation of cortical thickness. LV1 from the PLS model identified decreased cortical thickness linked to lower CBCL scores. There was limited evidence of stability or reproducibility of LV1 for both CCA and PLS. When examining the relationship between cortical thickness and cognitive performance, there were 6 significant LVs for both CCA and PLS (p < .01). The first LV showed similar relationships between CCA and PLS and was found to be stable and reproducible (singular value: CCA = .21, PLS = .43, p < .001).CCA and PLS identify different brain-behaviour relationships with limited stability and reproducibility when examining the relationship between cortical thickness and parent-reported behavioural measures. However, both methods identified relatively similar brain-behaviour relationships that were stable and reproducible when examining the relationship between cortical thickness and cognitive performance. The results of the current study suggest that stability and reproducibility of brain-behaviour relationships identified by CCA and PLS are influenced by characteristics of the analyzed sample and the included behavioural measurements when applied to a large pediatric dataset.

Long-term potentiation (LTP)-like activity can be induced by stimulation protocols such as paired associative stimulation (PAS). We aimed to determine whether PAS-induced LTP-like activity (PAS-LTP) of the dorsolateral prefrontal cortex (DLPFC) is associated with cortical thickness and other structural measures impaired in Alzheimer's dementia (AD). We also explored longitudinal relationships between these brain structures and PAS-LTP response after a repetitive PAS (rPAS) intervention. Mediation and regression analyses were conducted using data from randomized controlled trials with AD and healthy control participants. PAS-electroencephalography assessed DLPFC PAS-LTP. DLPFC thickness and surface area were acquired from T1-weighted magnetic resonance imaging. Fractional anisotropy and mean diffusivity (MD) of the superior longitudinal fasciculus (SLF)-a tract important to induce PAS-LTP-were measured with diffusion-weighted imaging. AD participants exhibited reduced DLPFC thickness and increased SLF MD. There was also some evidence that reduction in DLPFC thickness mediates DLPFC PAS-LTP impairment. Longitudinal analyses showed preliminary evidence that SLF MD, and to a lesser extent DLPFC thickness, is associated with DLPFC PAS-LTP response to active rPAS. This study expands our understanding of the relationships between brain structural changes and neuroplasticity. It provides promising evidence for a structural predictor to improving neuroplasticity in AD with neurostimulation. This article is part of a discussion meeting issue 'Long-term potentiation: 50 years on'.

General cognitive function is a prominent human trait associated with many important life outcomes including longevity. The substantial heritability of general cognitive function is known to be polygenic, but it has had little explication in terms of the contributing genetic variants. Here, we combined cognitive and genetic data from the CHARGE and COGENT consortia, and UK Biobank (total N=280,360; age range = 16 to 102). We found 9,714 genome-wide significant SNPs (P<5 x 10-8) in 99 independent loci. Most showed clear evidence of functional importance. Among many novel genes associated with general cognitive function were SGCZ, ATXN1, MAPT, AUTS2, and P2RY6. Within the novel genetic loci were variants associated with neurodegenerative disorders, neurodevelopmental disorders, physical and psychiatric illnesses, brain structure, and BMI. Gene-based analyses found 536 genes significantly associated with general cognitive function; many were highly expressed in the brain, and associated with neurogenesis and dendrite gene sets. Genetic association results predicted up to 4% of general cognitive function variance in independent samples. There was significant genetic overlap between general cognitive function and information processing speed, as well as many health variables including longevity.

Abstract While schizophrenia is considered a prototypical network disorder characterized by widespread brain-morphological alterations, it still remains unclear whether distributed structural alterations robustly reflect underlying network layout. Here, we tested whether large-scale structural alterations in schizophrenia relate to normative structural and functional connectome architecture, and systematically evaluated robustness and generalizability of these network-level alterations. Leveraging anatomical MRI scans from 2,439 adults with schizophrenia and 2,867 healthy controls from 26 ENIGMA sites and normative data from the Human Connectome Project (n=207), we evaluated structural alterations of schizophrenia against two network susceptibility models: i) hub vulnerability, which examines associations between regional network centrality and magnitude of disease-related alterations; ii) epicenter mapping, which identify regions whose typical connectivity profile most closely resembles the disease-related morphological alterations. To assess generalizability and specificity, we contextualized the influence of site, disease stages, and individual clinical factors and compared network associations of schizophrenia with that found in affective disorders. Schizophrenia-related structural alterations co-localized with interconnected functional and structural hubs and harbored temporo-paralimbic and frontal epicenters. Findings were robust across sites and related to individual symptom profiles. We observed localized unique epicenters for first-episode psychosis and early stages, and transmodal epicenters that were shared across first-episode to chronic stages. Moreover, transdiagnostic comparisons revealed overlapping epicenters in schizophrenia and bipolar, but not major depressive disorder, yielding insights in pathophysiological continuity within the schizophrenia-bipolar-spectrum. In sum, cortical alterations over the course of schizophrenia robustly follow brain network architecture, emphasizing marked hub susceptibility and temporo-frontal epicenters at both the level of the group and the individual. Subtle variations of epicenters across disease stages suggest interacting pathological processes, while associations with patient-specific symptoms support additional inter-individual variability of hub vulnerability and epicenters in schizophrenia. Our work contributes to recognizing potentially common pathways to better understand macroscale structural alterations, and inter-individual variability in schizophrenia.

Liability to schizophrenia is inversely correlated with general cognitive ability at both the phenotypic and genetic level. Paradoxically, a modest but consistent positive genetic correlation has been reported between schizophrenia and educational attainment, despite the strong positive genetic correlation between cognitive ability and educational attainment. Here we leverage published GWAS in cognitive ability, education, and schizophrenia to parse biological mechanisms underlying these results. Association analysis based on subsets (ASSET), a pleiotropic meta-analytic technique, allowed jointly associated loci to be identified and characterized. Specifically, we identified subsets of variants associated in the expected ("Concordant") direction across all three phenotypes (i.e., greater risk for schizophrenia, lower cognitive ability, and lower educational attainment); these were contrasted with variants demonstrating the counterintuitive ("Discordant") relationship between education and schizophrenia (i.e., greater risk for schizophrenia and higher educational attainment). ASSET analysis revealed 235 independent loci associated with cognitive ability, education and/or schizophrenia at p<5x10^-8. Pleiotropic analysis successfully identified more than 100 loci that were not significant in the input GWASs, and many of these have been validated by larger, more recent single-phenotype GWAS. Leveraging the joint genetic correlations of cognitive ability, education, and schizophrenia, we were able to dissociate two distinct biological mechanisms: early neurodevelopmental pathways that characterize concordant allelic variation, and adulthood synaptic pruning pathways that were linked to the paradoxical positive genetic association between education and schizophrenia. Further, genetic correlation analyses revealed that these mechanisms contribute not only to the etiopathogenesis of schizophrenia but also to the broader biological dimensions that are implicated in both general health outcomes and psychiatric illness.

As very large studies of complex neuroimaging phenotypes become more common, human quality assessment of MRI-derived data remains one of the last major bottlenecks. Few attempts have so far been made to address this issue with machine learning. In this work, we optimize predictive models of quality for meshes representing deep brain structure shapes. We use standard vertex-wise and global shape features computed homologously across 19 cohorts and over 7500 human-rated subjects, training kernelized Support Vector Machine and Gradient Boosted Decision Trees classifiers to detect meshes of failing quality. Our models generalize across datasets and diseases, reducing human workload by 30-70%, or equivalently hundreds of human rater hours for datasets of comparable size, with recall rates approaching inter-rater reliability.

Background: Cognitive traits demonstrate significant genetic correlations with many psychiatric disorders and other health-related traits, and many neuropsychiatric and neurodegenerative disorders are marked by cognitive deficits. Therefore, genome-wide association studies (GWAS) of general cognitive ability might suggest potential targets for nootropic drug repurposing. Our previous effort to identify "druggable genes" (i.e., GWAS-identified genes that produce proteins targeted by known small molecules) was modestly powered due to the small cognitive GWAS sample available at the time. Since then, two large cognitive GWAS meta-analyses have reported 148 and 205 genome-wide significant loci, respectively. Additionally, large-scale gene expression databases, derived from post-mortem human brain, have recently been made available for GWAS annotation. Here, we 1) reconcile results from these two cognitive GWAS meta-analyses to further enhance power for locus discovery; 2) employ several complementary transcriptomic methods to identify genes in these loci with variants that are credibly associated with cognition, and 3) further annotate the resulting genes to identify "druggable" targets. Methods: GWAS summary statistics were harmonized and jointly analysed using Multi-Trait Analysis of GWAS [MTAG], which is optimized for handling sample overlaps. Downstream gene identification was carried out using MAGMA, S-PrediXcan/S-TissueXcan Transcriptomic Wide Analysis, and eQTL mapping, as well as more recently developed methods that integrate GWAS and eQTL data via Summary-statistics Mendelian Randomization [SMR] and linkage methods [HEIDI]. Available brain-specific eQTL databases included GTEXv7, BrainEAC, CommonMind, ROSMAP, and PsychENCODE. Intersecting credible genes were then annotated against multiple chemoinformatic databases [DGIdb, KI, and a published review on "druggability"]. Results: Using our meta-analytic data set (N = 373,617) we identified 241 independent cognition-associated loci (29 novel), and 76 genes were identified by 2 or more methods of gene identification. 26 genes were associated with general cognitive ability via SMR, 16 genes via STissueXcan/S-PrediXcan, 47 genes via eQTL mapping, and 68 genes via MAGMA pathway analysis. The use of the HEIDI test permitted the exclusion of candidate genes that may have been artifactually associated to cognition due to linkage, rather than direct causal or indirect pleiotropic effects. Actin and chromatin binding gene sets were identified as novel pathways that could be targeted via drug repurposing. Leveraging on our various transcriptome and pathway analyses, as well as available chemoinformatic databases, we identified 16 putative genes that may suggest drug targets with nootropic properties. Discussion: Results converged on several categories of significant drug targets, including serotonergic and glutamatergic genes, voltage-gated ion channel genes, carbonic anhydrase genes, and phosphodiesterase genes. The current results represent the first efforts to apply a multi-method approach to integrate gene expression and SNP level data to identify credible actionable genes for general cognitive ability.